检测器的准确度如何？
我们公开检测器的评估方式及其失效之处。在依赖检测结果之前，请先阅读本页。
模型
我们在自己的服务器上运行开源的 desklib AI 文本检测器（DeBERTa-v3-large，MIT 许可）。文本被切分为多个窗口；文档得分为按 token 加权的平均值，句子得分来自重叠窗口。
基于真实学术写作的校准
阈值基于 583 篇人类撰写的学术文本设定（arXiv 摘要、非母语作者的 PubMed Central 论文以及学生论文）。“很可能由 AI 撰写”的阈值使这些人类文本中约有 1% 越线；“不确定”覆盖 1% 到 5% 之间的区间。
留出的人类文本上的误报
在两折划分中，留出的人类学术文本被标为“很可能由 AI 撰写”的比例分别为 1% 和 0.7%。
按文本组别的结果
| 组别 | 文本数 | 标为“很可能由 AI 撰写” | 标为“很可能由 AI 撰写”或“不确定” |
|---|---|---|---|
| 人类：arXiv 摘要 | 200 | 0.5% | 3.5% |
| 人类：PubMed Central，非母语作者 | 183 | 1.1% | 6% |
| 人类：学生论文 | 200 | 1% | 5.5% |
| 人类：维基百科（2022 年前） | 155 | 2.6% | 8.4% |
| 人类：一般网页文本 | 150 | 32.7% | 36.7% |
| AI：2026 年模型，未经编辑 | 195 | 96.9% | 99% |
| AI：RAID 基准，未经编辑 | 200 | 96.5% | 99% |
| AI：RAID 基准，经改写 | 200 | 84% | 92% |
| AI：经“人性化”工具改写 | 200 | 59.5% | 74.5% |
acad583-2026-10-22
已知局限
- 来自最新模型的文本，尤其是被要求模仿人类写作时，常常无法被检出。
- 改写和“人性化”工具会显著降低得分。
- 短文本不可靠；不足 50 词时我们不给出结果。
- 经过大幅编辑、套路化或翻译而来的人类写作可能被标记。
- 阈值是在学术写作上校准的。在一般网页文本上，有 32.7% 的人类样本被标为“很可能由 AI 撰写”。
结果是估计，而不是不当行为的证据。切勿将其作为指控的唯一依据。